Моделювання товщинних залежностей електричних параметрів та формування наноструктури у парофазних конденсатах сполук LAST за допомогою машинного навчання
У статті розглядається моделювання товщинних залежностей електричних параметрів тонких плівок на основі сполук LAST (Pb-Ag-Sb-Te) із використанням методів машинного навчання. Метою роботи є оптимізація процесу осадження парофазних конденсатів для покращення термоелектричних властивостей матеріалів....
Saved in:
| Published in: | Fìzika ì hìmìâ tverdogo tìla (Online) Vol. 26; no. 1; pp. 29 - 34 |
|---|---|
| Main Authors: | , , , |
| Format: | Journal Article |
| Language: | English Ukrainian |
| Published: |
Vasyl Stefanyk Precarpathian National University
17.02.2025
|
| Subjects: | |
| ISSN: | 1729-4428, 2309-8589 |
| Online Access: | Get full text |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | У статті розглядається моделювання товщинних залежностей електричних параметрів тонких плівок на основі сполук LAST (Pb-Ag-Sb-Te) із використанням методів машинного навчання. Метою роботи є оптимізація процесу осадження парофазних конденсатів для покращення термоелектричних властивостей матеріалів. Основну увагу приділено вивченню впливу товщини плівок та розмірів нанокристалітів на електропровідність та рухливість носіїв заряду. У статті вперше застосовано методи машинного навчання для прогнозування електричних параметрів на основі експериментальних даних. Для цього використовувалася модель XGBoost що дозволяє передбачати поведінку електропровідності та інших параметрів залежно від зміни товщини плівок, що сприяє підвищенню ефективності процесу їх формування. Результати дослідження показують, що правильна оптимізація параметрів осадження може значно покращити термоелектричні характеристики матеріалів, що важливо для застосування в енергетичних і електронних пристроях. Таким чином, стаття демонструє потенціал машинного навчання як інструмента для поліпшення технологічних процесів у виробництві наноструктурованих плівок сполук LAST.
The article examines the modeling of thickness dependencies of the electrical parameters of thin films based on LAST compounds (Pb-Ag-Sb-Te) using machine learning methods. The aim of the work is to optimize the process of vapor-phase condensate deposition to improve the thermoelectric properties of materials. The focus is on studying the effect of film thickness and nanocrystal size on electrical conductivity and charge carrier mobility. For the first time, machine learning methods are applied in the article to predict electrical parameters based on experimental data. The XGBoost model was used to predict the behavior of electrical conductivity and other parameters depending on changes in film thickness, which contributes to improving the efficiency of the film formation process. The research results show that proper optimization of deposition parameters can significantly improve the thermoelectric characteristics of materials, which is important for applications in energy and electronic devices. Thus, the article demonstrates the potential of machine learning as a tool for improving technological processes in the production of nanostructured films of LAST compounds. |
|---|---|
| ISSN: | 1729-4428 2309-8589 |
| DOI: | 10.15330/pcss.26.1.29-34 |